Claim Missing Document
Check
Articles

Found 8 Documents
Search

Gerakan 1000 Sertifikat Halal untuk Mendukung Kewajiban Sertifikat Halal 2024 Rakhmawati, Nur Aini; Gunawan, Setiyo; Indraswari, Rarasmaya; Ulfin, Ita; Rahadiantino, Lienggar; Qadariyah, Lailatul; Muklason, Ahmad; Mashuri, Mashuri; Fabroyir, Hadziq; Putri, Malfa Liya; Eskalalita, Eskalalita
Sewagati Vol 8 No 3 (2024)
Publisher : Pusat Publikasi ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j26139960.v8i3.959

Abstract

Di tengah pertumbuhan ekonomi yang pesat, pelaku Usaha Mikro, Kecil, dan Menengah (UMKM) memainkan peran kunci dalam kontribusi terhadap perekonomian negara. UMKM Indonesia menyumbang terhadap pertumbuhan ekonomi lokal dan nasional secara signifikan. Produk makanan dan minuman yang dikonsumsi oleh umat Muslim harus memenuhi standar halal, sesuai dengan ajaran agama Islam. Hal ini memunculkan pentingnya sertifikasi halal untuk UMKM di Indonesia. Kegiatan penyuluhan sertifikasi halal berperan dalam mendukung pertumbuhan ekonomi dan kesejahteraan masyarakat, sambil memastikan kepatuhan terhadap prinsip kehalalan dalam produksi dan konsumsi produk. Gerakan 1000 Sertifikasi Halal ITS dilakukan melalui kegiatan Pelatihan Pendamping Proses Produk Halal; Pelatihan Kader Penggerak Halal UMKM; dan Pendaftaran Sertifikasi Halal UMKM. Merek UMKM yang paling banyak didapatkan sertifikasi adalah dapur, bakery, cookies, cake dan lain-lain. Produk UMKM yang banyak dilakukan sertifikasi halal ITS, seperti kue, keripik, kacang, roti, donat, jus, dan lain-lain. Tujuan dilakukannya kegiatan ini adalah untuk meningkatkan pemahaman UMKM mengenai Kaidah Halal. Data nama pendamping paling banyak mampu mendampingi UMKM untuk mendapat sertifikasi halal adalah sebanyak 83 UMKM dengan 6 UMKM tiap bulannya, lalu 75 UMKM dengan 5 UMKM perbulannya, dan terbanyak ketiga dengan total 54 UMKM dengan 11 UMKM per bulannya.
Skin Cancer Detection Approach Using Convolutional Neural Network Artificial Intelligence Hayat, Sabda Norman; Watef, Lulu'ul; Indraswari, Rarasmaya
International Journal of Informatics and Information Systems Vol 7, No 2: March 2024
Publisher : International Journal of Informatics and Information Systems

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/ijiis.v7i2.196

Abstract

Skin cancer is a type of cancer that can cause death, where skin cancer is included in the 15 common cancers that occur in Indonesia. The number of skin cancer sufferers was around 6,170 cases of non-melanoma skin cancer and 1,392 cases of melanoma skin cancer in 2018 in Indonesia. Therefore, research related to skin cancer classification is increasing. This is done as an initial step in detecting whether a lesion can be said to be cancerous or not. The deep learning approach has certainly shown promising results in carrying out classification, so this research proposes a deep learning-based method used for skin cancer classification. The proposed approach involves Convolutional Neural Networks with the ISIC 2017 dataset. The models used for skin cancer classification are InceptionV3, EfficientNetB0, ResNet50, MobileNetV2, and NASNetMobile. The highest accuracy of the single model produced reached 69.3% using the MobileNetV2 model. An ensemble model combining the five models was also tested and produced the highest accuracy compared to other single models with an accuracy result of 80.6%.
Pengembangan Arsitektur Model YOLOv8 untuk Meningkatkan Performa Object Detection pada Varian Boks Warehouse Palletizing Muzammil, Muhammad Alif Amri; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.642

Abstract

Dalam lingkungan industri modern, paletisasi gudang memainkan peran penting dalam mengoptimalkan rantai pasokan untuk memenuhi permintaan konsumen yang terus meningkat. Namun, banyak perusahaan masih menggunakan proses manual untuk pengaturan palet, yang menyebabkan kesalahan manusia dalam identifikasi dan penempatan barang. Hal ini mengakibatkan inefisiensi operasional dan kerugian material. Di era digital, computer vision, terutama object detection, sangat penting dalam mengatasi berbagai tantangan industri. Memanfaatkan teknologi pendeteksian objek yang canggih seperti YOLOv8 dapat secara signifikan meminimalkan kesalahan manusia dengan mengaktifkan deteksi barang secara otomatis, sehingga mengurangi keterlibatan manusia. Mengingat data yang digunakan untuk deteksi palet memiliki ukuran yang seragam, efisiensi model YOLOv8 dapat ditingkatkan dengan memodifikasi arsitekturnya ke tingkat multiskala. Penerapan Feature Pyramid Network (FPN) yang dimodifikasi dalam arsitektur YOLOv8 meningkatkan efisiensi pelatihan model dengan berfokus pada fitur data yang penting. Penggunaan TensorRT dalamm proses inferensi YOLOv8 untuk meningkatkan kecepatan dan kinerja, sehingga cocok untuk aplikasi real-time. Penelitian ini menawarkan solusi komprehensif untuk meningkatkan efisiensi dan akurasi operasional dalam pembuatan palet gudang sekaligus mengurangi kesalahan manusia. Dengan penggunaan model modifikasi arsitektur FPN untuk objek berskala kecil dan implementasi TensorRT memberikan performa terbaik yaitu mAP 95,6% dan performa inference speed tercepat yaitu 12ms.
Sistem Berbasis Deep Learning untuk Segmentasi dan Klasifikasi Tingkat Keganasan Tumor Otak Menggunakan Citra MRI 3D Ardan, Indira Salsabila; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.643

Abstract

Tumor otak merupakan pertumbuhan sel abnormal di dalam otak, yang dapat bersifat jinak atau ganas. Kanker otak, yang merupakan bentuk ganas dari tumor otak, termasuk dalam jenis kanker yang paling agresif dan sering terdiagnosis pada berbagai rentang usia. Di Indonesia, terdapat sekitar 300 kasus tumor otak yang didiagnosis setiap tahunnya, termasuk pada anak-anak. Dalam menangani kasus tumor otak, diperlukan informasi mengenai lokasi spasial tumor dan tingkat keganasan tumor untuk merencanakan pembedahan dan pengobatan. Metode saat ini yang mengandalkan analisis manual pada citra Magnetic Resonance Imaging (MRI) dapat menyebabkan hasil yang bervariasi antar dokter (inter-observer error). Penelitian mengenai klasifikasi tingkat keganasan tumor otak pada citra MRI 3D juga masih terbatas. Oleh karena itu, dalam penelitian ini, akan dilakukan rancang bangun sistem yang menggunakan metode deep learning untuk segmentasi dan klasifikasi tingkat keganasan tumor otak pada citra MRI 3D. Dalam penelitian ini, telah berhasil dikembangkan sistem berbasis deep learning yang mampu melakukan segmentasi dan klasifikasi tingkat keganasan tumor otak pada citra MRI 3D. Model segmentasi tumor otak yang diusulkan menggunakan arsitektur U-Net dengan dice sebesar 82% dan mean IoU sebesar 94% pada 250 epoch. Sedangkan, model klasifikasi yang diusulkan menggunakan arsitektur Convolutional Neural Network (CNN) dengan base model ResNet50V2 yang sudah dilatih pada dataset ImageNet, head model yang terdiri dari satu lapisan dense dengan 512 nodes, dan lapisan output yang memprediksi input menjadi dua kelas, yaitu “LGG” dan “HGG” dengan accuracy sebesar 97% pada 10 epoch.
Integrating Machine Learning Utility in Tabular Data Synthesizer Training using Loss Function Learning Nur, Muhammad Rizqi; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.646

Abstract

Machine learning (ML) utility has been the main evaluation metrics for data synthesizers. However, because ML utility cannot be simply calculated, none of the previous synthesizers were trained to reach the same level of ML utility as a training objective. This study aims to integrate ML utility into data synthesizer training using a transformer-based model as a learned loss function. The transformer was trained to estimate ML utility of synthetic datasets, then it’s integrated by backpropagating the difference between estimated and expected value. The integration has significantly improved the average ML utility of LCT-GAN and Realtabformer. The ML utility of LCT-GAN improved by 0.0158 for Contraceptive dataset, 0.031 for Insurance dataset, and 0.0561 for Treatment dataset. The ML utility of Realtabformer improved by 0.02 for Contraceptive dataset and 0.0024 for Insurance dataset. The increase affects the dataset distribution, correlation between features, and privacy, but the direction varies. Correlation coefficients indicate that synthetic data distribution gets closer to real data as ML utility improves. In addition to ML utility integration, this study has also shown that patterns between rows in a dataset can be learned, so better synthesizers can be developed based on them.
Integration of LIME Explainable AI to Enhance Interpretability of Deep Learning Models in Box Palette Classification Raditya, Evan; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.653

Abstract

In the food production system, manual box palette arrangement often encounters errors, such as incorrect stacking patterns, mismatched box quantities, and improper mixing of product variants. This issue occurs in a soy sauce production company with limited infrastructure, leading to the mixing of two product variants with the same box size in a single production line. This results in disruptions to the production flow and significant potential losses. This study proposes a solution using deep learning to detect box palette arrangement patterns. The Convolutional Neural Network (CNN) method is chosen because it has proven effective in image classification. Additionally, this study implements Explainable AI (XAI) to provide explanations related to classification results, increasing user confidence in the system. The Local Interpretable Model-agnostic Explanations (LIME) technique will be used to provide interpretations. This research produces the development of a deep learning model to classify box palette arrangements. Furthermore, the implementation of LIME in this study successfully provides interpretations of the model's predictions. The result is evident in the result where it shows that MobileNetV2 give an F1-Score of 100%, and LIME fidelity score of 0.2 and stability score of 0.2.
Halal Certification of Food and BeverageMSME’s Products in the Pacarkeling Area, Surabaya Rakhmawati, Nur Aini; Indraswari, Rarasmaya; Ulfin, Ita; Harmami, Harmami; Rahadiantino, Lienggar; Qadariyah, Lailatul
Berdikari: Jurnal Inovasi dan Penerapan Ipteks Vol. 13 No. 1: February 2025
Publisher : Universitas Muhammadiyah Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18196/berdikari.v13i1.23581

Abstract

This article is based on the Community Service (Kuliah Kerja Nyata / KKN) program, which was held to help solve the problems faced by MSMEs (micro, small, and medium enterprises) from the aspect of halal products certification, especially in the Pacarkeling area, Surabaya. In this program, we assist MSMEs in carrying out certification and com pleting documents so that MSMEs can apply for halal certification. Activities in this pro gram begin with assistant training, follow-up on MSMEs, training of prospective supervi sors, creating SJPH (Sistem Jaminan Produk Halal) documents, inputting data to SIHALAL, verification and validation, and finally, creating reports and documentation. In this pa per, the case study of the MSME assisted in this program is Canda, which runs in the food and beverage sector and sells ready-to-consume beverage products. The KKN team in this program intensively assists the MSMEs from the preparation stage until the announcement of halal certification. This KKN activity is documented in the form of news, digital documentation, articles, and videos of community community service. The result of this KKN activity is the Halal certification of the MSMEs in the Pacarkeling area, Surabaya
Integrasi Pendekatan Transformer dalam Jaringan Group Convolutional untuk Optimasi Super-Resolusi Citra Rosyidan, Fikri Yoma; Indraswari, Rarasmaya
ILKOMNIKA Vol 7 No 1 (2025): Volume 7, Number 1, April 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i1.718

Abstract

Single Image Super-Resolution (SISR) merupakan salah satu tantangan krusial dalam pengolahan citra digital, di mana tujuan utamanya adalah mengubah citra beresolusi rendah menjadi citra beresolusi tinggi dengan detail yang tajam dan akurasi visual yang tinggi. Di era digital saat ini, kebutuhan akan citra berkualitas tinggi sangat mendesak di berbagai bidang, mulai dari diagnosa medis yang membutuhkan interpretasi detail citra MRI dan CT scan, hingga aplikasi pengawasan keamanan dan hiburan digital yang mengandalkan ketajaman visual. Beragam pendekatan berbasis Convolutional Neural Network (CNN) seperti Enhanced Group Convolutional Neural Network (EGCNN) telah banyak dikembangkan, namun keterbatasannya dalam menangkap hubungan jarak jauh antar piksel membatasi hasil rekonstruksi. Di sisi lain, metode Transformer dengan mekanisme self-attention efektif memodelkan konteks global, tetapi kompleksitas komputasi menjadi tantangan tersendiri. Oleh karena itu, penelitian ini mengusulkan integrasi Efficient Transformer (ET) ke dalam arsitektur EGCNN. Integrasi ini menggabungkan keunggulan EGCNN dalam ekstraksi fitur lokal menggunakan group convolution dengan kemampuan ET dalam menangkap informasi global secara efisien. Evaluasi dilakukan dengan metrik Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index (SSIM) pada dataset pengujian (Set5, Set14, BSD100, Urban100). Hasil penelitian menunjukkan bahwa integrasi ET meningkatkan performa model secara signifikan dibandingkan baseline EGCNN, terutama pada skala pembesaran ×2, sekaligus menawarkan alternatif kompetitif dan efisien terhadap model-model SISR terkini.